Met je bedrijfsdata praten via ChatGPT, Claude of Copilot. Voor veel organisaties is dat de grootste belofte van AI. Maar een AI-assistent geeft alleen correcte antwoorden over omzet, marge of churn als vastligt wat die begrippen betekenen. Toont elk dashboard een ander cijfer, dan gokt de AI mee.
Een semantic layer legt die definities één keer vast, voor elk rapport en elke AI-assistent. Joris Jonckers, Data Engineer bij JUVO, legt uit waarom je dat nodig hebt en hoe je het oplost, vanuit zijn dagelijkse praktijk met Snowflake en dbt.
- Waarom een semantic layer: wat hij oplevert voor de business en wat hij kost
- Snowflake Semantic Views, dbt (MetricFlow en de dbt Semantic Layer) en het Power BI semantic model vergeleken
- Referentiearchitecturen per optie en hoe Tableau en Power BI aansluiten
- AI op de semantic layer: Snowflake Cortex, Power BI Copilot en assistenten als ChatGPT en Claude, en wat nodig is voor betrouwbare antwoorden
- Valkuilen en Q&A
Geen verkooppraatje en geen kant-en-klare oplossing, want die bestaat niet voor elk project. Wel een eerlijk beeld van waar elke optie sterk is en waar ze tekortschiet. Het domein verandert snel, dus zie dit als de stand van zaken op 19 november.
Interessant voor CIO’s, IT-managers en business-verantwoordelijken die de richting bepalen, en voor data engineers, analytics engineers en BI-ontwikkelaars die het bouwen.